کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4943698 1437640 2016 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A collaborative filtering method for music recommendation using playing coefficients for artists and users
ترجمه فارسی عنوان
یک روش فیلترسازی مشترک برای توصیه موسیقی با استفاده از ضریب بازی برای هنرمندان و کاربران
کلمات کلیدی
فیلتر کردن همگانی، توصیه موسیقی داده کاوی، انعطاف پذیری، گاو گوسفند،
ترجمه چکیده
مقدار زیادی از محتوای موسیقی موجود در اینترنت باعث افزایش علاقه به سیستم های پیشنهاد دهنده موسیقی شده است. با این حال، باید برخی از مشکلات مهم را به منظور ارائه توصیه های قابل اعتماد مورد توجه قرار داد. بسیاری از رویکردهای پیشنهادی برای مقابله با خطاهای سرماخوردگی و اولویت اول پیشنهاد شده است؛ با این حال، مشکل تهیه توصیه هایی برای کاربران گوسفند کمتر مورد مطالعه قرار گرفته است. اکثر روش هایی که این مشکل را برطرف می کنند، مبتنی بر محتوا هستند، از این رو آنها اطلاعات موردی را که همیشه در دسترس نیستند نیاز دارند. یکی دیگر از نکته مهم این است که در دریافت بازخورد صریح از کاربران، ضروری است برای القاء مدل های توصیه شده، که باعث مشکل شناخته شده است. در این مقاله، یک روش توصیه شده بر اساس ضریب بازی برای رفع نواقص فوق ذکر شده در مورد سیستم های پیشنهاد دهنده، زمانی که اطلاعات کمی در دسترس است پیشنهاد شده است. نتایج نشان می دهد که این پیشنهادات از سایر روش های فیلتر سازمانی همکاری می کند، از جمله آنهایی که از ویژگی های کاربر استفاده می کنند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
The great quantity of music content available online has increased interest in music recommender systems. However, some important problems must be addressed in order to give reliable recommendations. Many approaches have been proposed to deal with cold-start and first-rater drawbacks; however, the problem of generating recommendations for gray-sheep users has been less studied. Most of the methods that address this problem are content-based, hence they require item information that is not always available. Another significant drawback is the difficulty in obtaining explicit feedback from users, necessary for inducing recommendation models, which causes the well-known sparsity problem. In this work, a recommendation method based on playing coefficients is proposed for addressing the above-mentioned shortcomings of recommender systems when little information is available. The results prove that this proposal outperforms other collaborative filtering methods, including those that make use of user attributes.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 66, 30 December 2016, Pages 234-244
نویسندگان
, , , , ,